Large Language Models can Deliver Accurate and Interpretable Time Series Anomaly Detection

时间序列异常检测（TSAD）通过识别偏离标准趋势的非典型模式，在各个行业中起着至关重要的作用，从而维护系统完整性并启用及时的响应措施。传统的TSAD模型通常依赖于深度学习，需要大量的训练数据，并作为黑盒子运行，缺乏对检测到的异常的可解释性。为了解决这些挑战，我们提出了LLMAD，一种新颖的TSAD方法，它采用大型语言模型（LLMs）提供精确且可解释的TSAD结果。LLMAD通过检索正负相似的时间序列片段，创新地应用LLMs进行上下文异常检测，显着增强了LLMs的效果。此外，LLMAD采用异常检测思维链（AnoCoT）方法来模仿专家逻辑进行决策过程，进一步提高了其性能，并使LLMAD能够通过多种视角提供其检测的解释，这对用户决策尤为重要。在三个数据集上的实验表明，我们的LLMAD在提供可观的检测解释性的同时，实现了与最先进的深度学习方法相当的检测性能。据我们所知，这是第一篇直接使用LLMs进行TSAD的研究。

提出一种新的时间序列异常检测方法，解决传统方法需要大量训练数据、操作不透明的问题。

使用大型语言模型（LLMs）进行时间序列异常检测，并运用Anomaly Detection Chain-of-Thought（AnoCoT）方法进行决策，提高检测性能和解释性。

LLMAD方法在三个数据集上进行实验，检测性能与深度学习方法相当，但提供了更好的解释性。该方法的创新之处在于使用LLMs进行上下文异常检测，并且使用AnoCoT方法进行决策。

相关研究包括传统的深度学习时间序列异常检测方法以及其他基于语言模型的异常检测方法。